基于双向对比学习网络的无监督低剂量CT去噪方法技术

本发明专利技术提出了一种基于双向对比学习网络的无监督低剂量CT（LDCT）图像去噪方法，属于医学图像处理技术领域。本发明专利技术所提方法，称为双向对比无监督去噪（BCUD），在进行网络训练时无需配对样本。BCUD采用双向网络结构，包含两个生成器、两个判别器及双向对比学习架构，能有效弥合有噪声CT和干净CT数据间的域差异。特别是在对比学习框架中为每个数据域使用单独的编码器和投影头，使得BCUD能够自适应学习不同数据域的数据分布特性，增强模型在隐空间中特征匹配的准确性，极大提高了本方法在处理复杂LDCT图像时的鲁棒性。本发明专利技术克服了传统深度学习方法需配对样本的限制，并能够提高LDCT图像噪声抑制和纹理保持性能。

【技术实现步骤摘要】

本专利技术属于医学图像处理，更具体地说，涉及一种基于双向对比学习网络的无监督低剂量ct去噪方法。

技术介绍

1、计算机断层扫描（computed tomography, ct）在现代医学中扮演着至关重要的角色。然而，研究表明ct扫描中过量的x射线辐射可能增加遗传疾病和癌症的风险。为了有效减少辐射暴露，已经开发了低剂量ct（low-dose ct, ldct）扫描技术。在临床实践中，一种简单而经济有效的减小辐射暴露的方法是在数据采集过程中减小x射线管电流和/或电压。尽管这些策略在减小辐射暴露方面是有效的，但它们也倾向于增加重建图像中的噪声伪影，可能对临床诊断的质量产生不利影响。因此，人们已经致力于改善ldct扫描图像质量的研究。

2、近年来，深度神经网络在各种计算机视觉任务中经历了爆炸性的发展，彻底改变了图像分类、分割和恢复等领域。在ldct图像去噪方面，涌现出了各种基于深度学习的方法。例如，chen等人提出了残差编码器-解码器卷积神经网络（red-cnn），该网络利用卷积、反卷积和快捷连接以改善ldct图像去噪。zhang等人提出了一种使用de本文档来自技高网...

【技术保护点】

1.本专利技术公开了一种基于双向对比学习网络的无监督低剂量CT去噪方法，其特征在于，以下步骤：

2.根据权利要求1所述的基于双向对比学习网络的无监督低剂量CT去噪方法，其特征在于，所述步骤2中：

3.根据权利要求2所述的基于双向对比学习网络的无监督低剂量CT去噪方法，其特征在于：

4.根据权利要求3所述的基于双向对比学习网络的无监督低剂量CT去噪方法，其特征在于：

5.根据权利要求1所述的基于双向对比学习网络的无监督低剂量CT去噪方法，其特征在于，所述步骤3中：

6.根据权利要求1所述的基于双向对比学习网络的无监督低剂量CT去噪...

【技术特征摘要】

1.本发明公开了一种基于双向对比学习网络的无监督低剂量ct去噪方法，其特征在于，以下步骤：

2.根据权利要求1所述的基于双向对比学习网络的无监督低剂量ct去噪方法，其特征在于，所述步骤2中：

3.根据权利要求2所述的基于双向对比学习网络的无监督低剂量ct去噪方法，其特征在于：

【专利技术属性】
技术研发人员：张元科，张睿，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人